---
title: "COVID19 Dashboard"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: fill
    social: [ "twitter", "facebook", "menu"]
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
# library(knitr)

#integrar visualización
library(patchwork)

library(DT)
library(rpivotTable)
library(ggplot2)
library(plotly)
library(dplyr)
library(openintro)
library(highcharter)
library(ggvis)
library(tidyverse)
# library(tibbletime)
library(reactable)
library(htmltools)
library(fpp3)
library(feasts)
library(fable)
library(tsibble)
library(lubridate)
library(kableExtra)
library(formattable)
#importación y lectura
library(readxl)
library(tidyr)
library(vroom)
#Mapas
library(leaflet)
library(ggmap) # -> para obtener lon y lat de los municipios
library(raster)
library(spData)
library(tmap)
library(RJSONIO)
library(tmaptools)
library(Hmisc)
library(mxmaps) #se instala con un repo de gitgub con el 
                #siguiente comando
                #if (!require("devtools")) {
#     install.packages("devtools")
# }
# devtools::install_github("diegovalle/mxmaps")

library(sf)
library(scales) # needed for comma
library(rgeos)
library(maptools)
library(leaflet)
library(geojsonio)
library(jsonlite)

```


```{r}
# 
# data <- read_csv("VehicleFailure.csv")
  
delitos <- read_csv("../Delitos/delitos2015-2021.csv", 
                    locale(encoding = "latin1"),
                    col_names = TRUE, 
                    col_types = NULL
                 )
  #######Quedarse solo con las columnas y filas necesarias#######

delitos_a_comparar <- c("Feminicidio", "Abuso sexual", 
                        "Acoso sexual", "Hostigamiento sexual",
                        "Otros delitos que atentan contra la libertad y la seguridad sexual",
                        "Violación simple", "Violación equiparada", "Trata de personas",
                        "Tráfico de menores", "Secuestro", "Violencia familiar")

delitos_tidy <- delitos %>%
  filter( Tipo_de_delito %in% delitos_a_comparar | 
          Subtipo_de_delito == "Homicidio doloso" |
          Subtipo_de_delito == "Lesiones dolosas" ) %>% 
  pivot_longer(
  cols = Enero:Diciembre ,
  names_to = "Meses",
  values_to = "Cuenta"
) %>% 
  group_by(Ano, Meses, Tipo_de_delito, Subtipo_de_delito) %>% 
  summarise(Cuenta = sum(Cuenta), .groups = "drop")

delitos_tidy <- delitos_tidy %>% 
  mutate(
    Meses = str_trunc(Meses, width = 3, ellipsis = ""),
    Meses = case_when(
      Meses == "Ene" ~ "Jan",
      Meses == "Abr" ~ "Apr",
      Meses == "Ago" ~ "Aug",
      Meses == "Dic" ~ "Dec",
      TRUE           ~ Meses
    )
  ) %>% 
  unite(col = "Fecha", c(Ano,Meses), sep = " ") %>% 
  mutate(Fecha = yearmonth(Fecha))

delitos_tidy_tsbl <- delitos_tidy %>% 
  as_tsibble(
    index = Fecha,
    key   = c(Tipo_de_delito, Subtipo_de_delito)
  )
# 
# mycolors <- c("blue", "#FFC125", "darkgreen", "darkorange")
```

Delitos en época de COVID19
=====================================



























































Row
-------------------------------

### Tabla de incidencia

```{r}


#Tabla de incidencia (old)
# 
# Incidencia_2019 <-delitos_tidy_tsbl %>% 
#   tsibble::group_by_key() %>% 
#   tsibble::index_by(Año = year(Fecha)) %>% 
#   dplyr::summarise(Cuenta = sum(Cuenta)) %>% 
#   dplyr::filter(Año %in% 2019) %>%
#   dplyr::as_tibble(Incidencia_2019) %>%
#   dplyr::transmute( Delito = Tipo_de_delito, 
#                     Incidencia_2019 = Cuenta) 
# 
# Incidencia_2020 <- delitos_tidy_tsbl %>%
#   group_by_key() %>%
#   
#   index_by(Año = year(Fecha)) %>%
#   
#   dplyr::summarise(Cuenta = sum(Cuenta)) %>%
#   dplyr::filter(Año %in% 2020) %>%
#   dplyr::as_tibble(Incidencia_2020) %>%
#   dplyr::mutate(Delito = Tipo_de_delito,
#         Incidencia_2020 = Cuenta) %>%
#   dplyr::select(Delito, Incidencia_2020)
# 
# Incidencia <- Incidencia_2020 %>%
#   add_column(Incidencia_2019$Incidencia_2019) %>%
#   dplyr::mutate(
#     Porcentaje_de_cambio = round((
#       (Incidencia_2020 - Incidencia_2019$Incidencia_2019)/Incidencia_2020), digits = 5),
#     Incidencia_2019 = Incidencia_2019$Incidencia_2019) %>%
#   
#   dplyr::select(Delito, Incidencia_2019, Incidencia_2020, Porcentaje_de_cambio)%>%
#   arrange(desc(Porcentaje_de_cambio)) 
#  
# Tabla <- Incidencia %>%
#   mutate(Porcentaje_de_cambio =  percent(Porcentaje_de_cambio, 2)) %>%
#   kbl(fortmat = "htlm", col.names = c("Delitos",
#                                       "Incidencia en 2019",
#                                       "Incidencia en 2020",
#                                       "Porcentaje de cambio")) %>%
#   
#   kable_styling(bootstrap_options = "striped",
#                 full_width = F,
#                 position = "left",
#                 font_size = 14) %>%
#   
#   column_spec(4,color = ifelse( Incidencia$Porcentaje_de_cambio > 0, "red", "green"))
# Tabla


#Tabla de incidencia (new -> 13/marzo/2021)

incidencias <- delitos_tidy_tsbl %>% 
  group_by_key() %>% 
  index_by(Año = year(Fecha)) %>% 
  summarise(Cuenta = sum(Cuenta)) %>% 
  as_tibble(incidencias) %>% 
  mutate(cambio = (Cuenta / lag(Cuenta) - 1)*100) %>% 
  filter(Año != 2021)

Todos_delitos_gg <- incidencias %>% 
  ggplot(aes(x = Año, y = Cuenta, color = Tipo_de_delito)) +
  geom_line(size = 1)+
  facet_wrap(~ Tipo_de_delito, scales = "free_y") +
  theme(legend.position = "none")

# perc_cambio_incidencias <- incidencias %>%
#   ggplot(aes(x = Año, y = cambio, color = Subtipo_de_delito)) +
#   geom_line() +
#   geom_line(size = 1)+
#   facet_wrap(~ Subtipo_de_delito, scales = "free_y") +
#   theme(legend.position = "none")
# plotly::ggplotly(perc_cambio_incidencias)

incidencias <- incidencias %>% 
  pivot_wider(names_from = Año, values_from = Cuenta:cambio)

Tabla <- incidencias %>%
  dplyr::select( Subtipo_de_delito, Cuenta_2019, Cuenta_2020, cambio_2020) %>%
  arrange(-cambio_2020) %>%
  transmute('Tipo de delito' = Subtipo_de_delito,
            'Incidencia en 2019' = Cuenta_2019,
            'Incidencia en 2020' = Cuenta_2020,
            'Porcentaje de cambio' =  round(cambio_2020, digits = 2))

customGreen0 = "#DeF7E9"

customGreen = "#71CA97"

customRed = "#ff7f7f"

cambio_format <- 
  formatter("span", 
            style = x ~ formattable::style(
              font.weight = "bold",
              color = ifelse(x < 0, customGreen, ifelse(x > 0, customRed, "black"))),
            x ~ icontext(ifelse(x>0, "arrow-up", "arrow-down"), x)
  ) 

formattable(Tabla, 
            align = c("l", rep("r", NCOL(Tabla) - 1)),
            list('Tipo de delito' = formatter("span", style = ~ formattable::style(color = "grey", font.weight = "bold")),
                 'Porcentaje de cambio' = cambio_format
            ))
 


```


### Delitos sexuales y de género

```{r}

sexuales_y_genero = c("Abuso sexual", 
                      "Acoso sexual",
                      "Feminicidio", 
                      "Violación simple", 
                      "Violación equiparada", 
                      "Hostigamiento sexual", 
                      "Otros delitos que atentan contra la libertad y la seguridad sexual")

# Grafica old
# p2 <-  delitos_tidy_tsbl %>%
#   filter (Tipo_de_delito %in% sexuales_y_genero) %>%
#   ggplot() + 
#   geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
# 
# p2

delitos_sexuales_y_genero_gg <- delitos_tidy_tsbl %>%
  filter (Tipo_de_delito %in% sexuales_y_genero) %>%
  ggplot(aes(x = Fecha, y = Cuenta, color = Tipo_de_delito)) +
  geom_line(size = 1)+
  facet_wrap(~ Tipo_de_delito, scales = "free_y") +
  theme(legend.position = "none")

delitos_sexuales_y_genero_gg
```

```{r}
#CargaDeDatos para generar gráficas de los delitos totales y en tasa de cambio

incidencias <- delitos_tidy_tsbl %>% 
  group_by_key() %>% 
  index_by(Anual = year(Fecha)) %>% 
  summarise(Cuenta = sum(Cuenta)) %>% 
  as_tibble(incidencias) %>% 
  mutate(cambio = (Cuenta / lag(Cuenta) - 1)*100) %>% 
  filter(Anual != 2021)

```


### Todos los delitos

```{r}
#gráfica old, delitos contra la libertad
# p3 <- delitos_tidy_tsbl %>%
#   filter (Tipo_de_delito %in% c("Trata de personas", "Tráfico de menores", "Secuestro") ) %>%
#   ggplot() + 
#   geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
# 
# p3

Todos_delitos_gg <- incidencias %>% 
  ggplot(aes(x = Anual, y = Cuenta, color = Tipo_de_delito)) +
  geom_line(size = 1)+
  facet_wrap(~ Tipo_de_delito, scales = "free_y") +
  theme(legend.position = "none")

Todos_delitos_gg
```

Row
------------------------------------
### Cambio en la incidencia  

```{r}
# gráfica old, delitos dolosos 
# p4 <- delitos_tidy_tsbl %>%
#   filter(Subtipo_de_delito %in% c("Lesiones dolosas", "Homicidio doloso")) %>%
#   ggplot() + 
#   geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
# 
# p4

perc_cambio_incidencias <- incidencias %>%
  ggplot(aes(x = Anual, y = cambio, color = Subtipo_de_delito)) +
  geom_line() +
  geom_line(size = 1)+
  facet_wrap(~ Subtipo_de_delito, scales = "free_y") +
  theme(legend.position = "none")
plotly::ggplotly(perc_cambio_incidencias)
```













Mapa nacional 1 y pruebas realizadas
========================================

Row
------------------------------------

### Mapa nacional de resultados positivos 

```{r}
# car <- data %>%
#          group_by(State) %>%
#          summarize(total = n())
# car$State <- abbr2state(car$State)
# 
# highchart() %>%
#          hc_title(text = "Car Failures in US") %>%
#          hc_subtitle(text = "Source: Vehiclefailure.csv") %>%
#          hc_add_series_map(usgeojson, car,
#                            name = "State",
#                            value = "total",
#                            joinBy = c("woename", "State")) %>%

#          hc_mapNavigation(enabled = T)
# lubridate::today()-1
# fecha <- "210415"
options(timeout = 700)
temp <- tempfile()
download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)


Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
unlink(temp)

```


```{r}

Entidades <- read_xlsx("../Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")

# Clasificación de datos  -------------------------------------------------

#datos necesarios para la prueba
datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
                                 `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
                                 `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
  left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))

#datos confirmados sin realización de pruebas
confirmados <- datosimportates %>% 
  filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`, `ENTIDAD_FEDERATIVA`, `ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 

# Agrupación de datos  ----------------------------------------------------
#Numero de positivos por estado
positivosestado <- confirmados %>%
  group_by(`ENTIDAD_RES`) %>%
  summarise(
    count=n(),
  )

#Selección de nombre estados, por orden de codigo
nombreEstado <- Entidades %>%
  dplyr::select(`ENTIDAD_FEDERATIVA`) %>%
  slice( 1:32)

mapaPositivos <- positivosestado %>%
  add_column(nombreEstado)

# Mapa  -------------------------------------------------------------------

# data(mapaPositivos)
# mapaPositivos$rand <- mapaPositivos$count
# mapaPositivos$region <- mapaPositivos$ENTIDAD_RES
# mxstate_choropleth(mapaPositivos,
#                    title = "Casos confirmados de COVID por estado.",
#                    legend = "Número de casos.",
# )


# Convert the topoJSON to spatial object
tmpdir <- tempdir()
# have to use RJSONIO or else the topojson isn't valid
write(RJSONIO::toJSON(mxstate.topoJSON), file.path(tmpdir, "sta.topojson"))
mxstate <- topojson_read(file.path(tmpdir, "sta.topojson")) 


#ordenamos los datos del topoJSON en orden numérico
mxstate <- mxstate[order(mxstate$id),]


mxstate <- as_Spatial(mxstate)

mxstate$rand <- mapaPositivos$count

bins <- c(5000,20000 , 30000, 35000, 50000, 60000, 115000,300000, Inf)
pal <- colorBin("YlOrRd", domain = mxstate$rand, bins=bins)


etiqueta <- paste(
  "Estado: ", mapaPositivos$ENTIDAD_FEDERATIVA, "
",
  "Número de casos: ", mapaPositivos$count
) %>%
  lapply(htmltools::HTML)

leaflet(mxstate) %>%
  addPolygons(
              fillColor = ~pal(mxstate$rand),
              fillOpacity = 1,
              stroke = TRUE,
              color = "White",
              weight = 1.5, 
              dashArray = "3",
              highlight = highlightOptions(
                weight = 5,
                color = "#666",
                dashArray = "",
                fillOpacity = 0.7,
                bringToFront = TRUE),
              label = etiqueta,
  )%>%
addLegend(pal = pal, values = ~mapaPositivos$rand, opacity = 0.7, title = "Casos
positivos
contagios",
          position = "bottomright")%>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Positivos totales COVID19 México", position = "bottomleft") %>% 
addProviderTiles("CartoDB.Positron")

```


Row
------------------------------------

### Pruebas realizadas por estado 

```{r}
# # Importación de datos ----------------------------------------------------
# 
# 
# # Datosmex2502 <- read_csv("210225COVID19MEXICO.csv")
# # Descarga de datos desde la página web
# fecha <- "210412"
# options(timeout = 600)
# temp <- tempfile()
# download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
# 
# 
# Datosmex2502 <- vroom::vroom(unz(temp, paste0(fecha,"COVID19MEXICO.csv")))
# unlink(temp)
# 
# 
# Entidades <- read_xlsx("Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")
# # Clásificación  ----------------------------------------------------------
# 
# #datos necesarios para la prueba
# datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
#                                  `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
#                                  `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
#   left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))


#datos de las pruebas realizadas ese día en todo el país
pruebasfiltro <- datosimportates %>% 
  dplyr::filter(`TOMA_MUESTRA_LAB`== 1 | `TOMA_MUESTRA_ANTIGENO`==1 ) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`,`ENTIDAD_FEDERATIVA`,`ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 
  


# Agrupación de datos  ----------------------------------------------------

#Numero de pruebas por estado totales hasta la fecha de datos
pruebasXEstado <- pruebasfiltro %>%
  group_by(`ENTIDAD_FEDERATIVA`) %>%
  mutate(`Numero de pruebas`=n()) %>%
  distinct(`ENTIDAD_FEDERATIVA`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_FEDERATIVA`) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`) 

pruebasXEstado <- pruebasXEstado %>% 
  dplyr::select(
    `ENTIDAD_FEDERATIVA`,
    `Numero de pruebas`
  )

pruebasfiltro$FECHA_INGRESO <- format(pruebasfiltro$FECHA_INGRESO, "%Y-%m")


#Numero de pruebas por estado según el día 
pruebasxEstadoxDia <- pruebasfiltro %>%
  group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
  mutate(count=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
  arrange(`ENTIDAD_RES`) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`) 

  
  
  
  

# Gráfica  ----------------------------------------------------------------


ggplot(data = pruebasfiltro) +
  geom_bar(mapping = aes(y = FECHA_INGRESO, fill = ABREVIATURA), position = "dodge")

```

### Pruebas realizadas por estado 

```{r}

# Tabla  ------------------------------------------------------------------

#Tabla que muestra el número de pruebas que se hacen por día en los estados
formattable(pruebasXEstado, #llamo datos
            align =c("l","c"), #Para alinear los datos de la tabla cada "" es una columna
            list(`ENTIDAD_FEDERATIVA` = formatter( #datos específicos
              "span", style = ~ style(color = "grey",font.weight = "bold")),
              `Numero de pruebas` = color_bar("Red") # me crea una barra roja con proporción a los datos
            )
)






```



Mapa porcentaje de positividad 
========================================
Row
------------------------------------

### Porcentaje total 

```{r}

# Importación de datos ----------------------------------------------------

#Datosmex2502 <- read_csv("210225COVID19MEXICO.csv")
# Descarga de datos desde la página web
# fecha <- "210414"
# options(timeout = 700)
# temp <- tempfile()
# download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
# 
# 
# Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
# unlink(temp)
# 
# 
# Entidades <- read_xlsx("Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")
# 
# # Clasificación de datos  -------------------------------------------------
# 
# #datos necesarios para la prueba
# datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
#                           `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
#                           `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
#   left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))
# 
# 
# 
# #datos confirmados sin realización de pruebas
# confirmados <- datosimportates %>%
#   filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>%
#   dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`, `ENTIDAD_FEDERATIVA`, `ABREVIATURA`) %>%
#   mutate(
#     year = lubridate::year(FECHA_INGRESO),
#     month = lubridate::month(FECHA_INGRESO),
#     day = lubridate::day(FECHA_INGRESO)
#   ) %>%
#   drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`)

#datos de las pruebas realizadas ese día en todo el país
pruebasfiltro <- datosimportates %>% 
  dplyr::filter(`TOMA_MUESTRA_LAB`== 1 | `TOMA_MUESTRA_ANTIGENO`==1 ) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`,`ENTIDAD_FEDERATIVA`,`ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 


#Separación de datos por fechas para mapas
pruebas2020 <- dplyr::filter(pruebasfiltro, year==2020)
pruebEstado2020 <- pruebas2020 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )

pruebas2021 <- dplyr::filter(pruebasfiltro, year==2021)
pruebEstado2021 <- pruebas2021 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )
#confirmados por año para mapas
confirm2020 <- confirmados %>% 
  dplyr::filter( year==2020) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`)
confirmEstado2020 <- confirm2020 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )

confirm2021 <- confirmados %>% 
  dplyr::filter( year==2021) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`)
confirmEstado2021 <- confirm2021 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
    
  )


#Numero de pruebas por estado totales hasta la fecha de datos
pruebasXEstado <- pruebasfiltro %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(PRUEBAS=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  drop_na() 


# #Numero de pruebas por estado según el día 
# pruebasxEstadoxDia <- pruebasfiltro %>%
#   group_by(`ENTIDAD_RES`,`FECHA_INGRESO`) %>%
#   mutate(count=n()) %>%
#   distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
#   arrange(`ENTIDAD_RES`) %>% 
#   drop_na() 
#   
# 
#  prubeasXEstadotsbl <- pruebasxEstadoxDia %>%
#    as_tsibble( key = `ENTIDAD_RES`,
#               index = `FECHA_INGRESO`
#    )

# group_split(pruebasxEstadoxDia)
# group_keys(pruebasxEstadoxDia)

#Positivos por estado totales hasta la fecha de datos
positivoxEstado <- confirmados %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(CONFIRMADOS=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  dplyr::select(ENTIDAD_RES, ENTIDAD_FEDERATIVA, CONFIRMADOS )

# #Positivos por estado según el día 
# positivoxEstadoxDia <- confirmados %>%
#   group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
#   mutate(count=n()) %>%
#   distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
#   arrange(`ENTIDAD_RES`) %>% 
#   drop_na()
# 
# positivoXDiatsbl <- positivoxEstadoxDia %>%
#   as_tsibble( key = ENTIDAD_RES,
#              index = FECHA_INGRESO
#              
#   )


#Selección de nombre estados, por orden de codigo
nombreEstado <- Entidades %>%
  dplyr::select(`ENTIDAD_FEDERATIVA`) %>%
  slice( 1:32)
  


# Agrupación de datos totales -----------------------------------------------------

# #suma total de las pruebas realizadas
totalpruebas <- pruebasXEstado$PRUEBAS %>%
  sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas <- positivoxEstado$CONFIRMADOS %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividadPais <- (totalpositivas/totalpruebas)*100
#positividadPais

positividad <- ((positivoxEstado$CONFIRMADOS/pruebasXEstado$PRUEBAS)*100)
#positividad

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado <- (positivoxEstado$CONFIRMADOS/totalpositivas)*100
porcenestado <- as.numeric(porcenestado) 
#porcenestado

#Porcentaje total de pruebas positvas
porcen <- sum(positividad, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje <- sum(porcenestado, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva <- positivoxEstado %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad) %>% 
  add_column(pruebasXEstado$PRUEBAS)
  # #Agregamos el nombre de los estados por orden de codigo
  # add_column(nombreEstado) 

# Agrupación de datos 2020 ------------------------------------------------

# #suma total de las pruebas realizadas
# totalpruebas2020 <- pruebEstado2020$count %>%
#   sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas2020 <- confirmEstado2020$count %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividad2020 <- (confirmEstado2020$count/pruebEstado2020$count)*100
#positividad2020

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado2020 <- (confirmEstado2020$count/totalpositivas2020)*100
porcenestado2020 <- as.numeric(porcenestado) 
#porcenestado2020

#Porcentaje total de pruebas positvas
porcen2020 <- sum(positividad2020, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje2020 <- sum(porcenestado2020, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva2020 <- confirmEstado2020 %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado2020)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad2020) %>% 
  #Agregamos el nombre de los estados por orden de codigo
  add_column(nombreEstado)

# Agrupación de datos 2021 ------------------------------------------------
# #suma total de las pruebas realizadas
# totalpruebas2021 <- pruebEstado2021$count %>%
#   sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas2021 <- confirmEstado2021$count %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividad2021 <- (confirmEstado2021$count/pruebEstado2021$count)*100
#positividad2021

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado2021 <- (confirmEstado2021$count/totalpositivas2021)*100
porcenestado2021 <- as.numeric(porcenestado2021) 
#porcenestado2021

#Porcentaje total de pruebas positvas
porcen2021 <- sum(positividad2021, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje2021 <- sum(porcenestado2021, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva2021 <- confirmEstado2021 %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado2021)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad2021) %>% 
  #Agregamos el nombre de los estados por orden de codigo
  add_column(nombreEstado)

# Mapa de positividad total --------------------------------------------------------------------

# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado)
#data(nueva)
nueva$value <- nueva$positividad
nueva$region <- nueva$ENTIDAD_RES
# mxstate_choropleth(nueva,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins = c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva$value, bins=bins)
mxstate_leaflet(nueva,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                         ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
                                    )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de las pruebas totales", position = "bottomleft") %>%
  addProviderTiles("CartoDB.Positron")


```

Row
------------------------------------

### Porcentaje 2020

```{r}
 # Mapa 2020 ---------------------------------------------------------------
# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado del año 2020)
data(nueva2020)
nueva2020$value <- nueva2020$positividad2020
nueva2020$region <- nueva2020$ENTIDAD_RES
# mxstate_choropleth(nueva,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins=c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva2020$value, bins=bins)
mxstate_leaflet(nueva2020,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                          ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva2020$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
            )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de las pruebas en 2020", position = "bottomleft") %>% 
  addProviderTiles("CartoDB.Positron")


```

### Porcentaje 2021
```{r}



# Mapa 2021 ---------------------------------------------------------------
# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado del año 2021)
data(nueva2021)
nueva2021$value <- nueva2021$positividad2021
nueva2021$region <- nueva2021$ENTIDAD_RES
# mxstate_choropleth(nueva2021,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins = c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva2021$value, bins=bins)
mxstate_leaflet(nueva2021,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                          ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva2021$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
            )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de pruebas en 2021", position = "bottomleft") %>% 
  addProviderTiles("CartoDB.Positron")


```
```{r}

# Carga de datos ----------------------------------------------------------

#Se importan los datos como un tibble
Vacunastotales <- readr::read_csv("https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/vaccinations/vaccinations.csv")


# Wrangle data ------------------------------------------------------------


#Se quiere trabajar con series de tiempo, entonces convertimos
# a tsibble un objeto que tiene orientación a este tiempo de 
#procesamiento 
Vacunastotales_tsibble <- Vacunastotales %>%
  dplyr::mutate(Daily = as.Date(date)) %>%
  dplyr::select(-date) %>%
  tsibble::as_tsibble(key = location,
             index = Daily)

#se hace una variable con los nombres de los paises de
#LATAM para asi poder llamar la variable a buscar en
#la base de datos si se requiere, esto esta pensado
#en que la instrucción podría hacerse varias veces 
#entonces en teoría debería simplificar el código
  latam <- c("Mexico", "Argentina", 
           "Colombia", "Chile", 
           "Brazil", "Bolivia", 
           "Costa Rica", "Ecuador",
           "Guatemala", "Panama", 
           "Paraguay", "Peru", 
           "Puerto Rico", "Dominican Republic")
  
  #Se encontro que era particularmente complicado mostrar 
  #todos los datos en una sola gráfica, por lo tanto,
  #graficar por secciones y pegar con patchwork es una
  #opción viable, por lo que la variable length(latam) = 14
  #entonces dividimos en 2 grupos para tener símetria.
  
  latam1 <- latam[1:7]
  latam2 <- latam[8:14]
#latam == latam1 + latam2
  
  
#hacemos otro dafa frame que solo sea para los de 
#LATAM y asi trabajamos con un tsibble más pequeña
Vacunas_latam_tsibble <- Vacunastotales_tsibble %>%
  dplyr::select( Daily, location, total_vaccinations, 
          total_vaccinations_per_hundred, 
          daily_vaccinations_per_million) %>%
  filter(location %in% latam)


```
Ranking Nacional
=========================================

### Calificación por estado para manejo de la pandemia

```{r}

# # Importación de datos ----------------------------------------------------
# 
# # Descarga de datos desde la página web
# # fecha <- "210415"
# options(timeout = 700)
# temp <- tempfile()
# download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
# 
# 
# Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
# unlink(temp)
# 
# Entidades <- read_xlsx("Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")


# Selección de datos ------------------------------------------------------

#datos necesarios para la prueba
FiltImpoData <- dplyr::select(Datosmex2502,
                              `FECHA_INGRESO`,
                              `ENTIDAD_RES`,
                              `TOMA_MUESTRA_LAB`,
                              `RESULTADO_LAB`, 
                              `TOMA_MUESTRA_ANTIGENO`,
                              `RESULTADO_ANTIGENO`, 
                              `CLASIFICACION_FINAL`,
                              `FECHA_DEF`,
                              )%>%
  left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))

#Población en cada estado del país, con datos a 2020
poblacionEstado <- dplyr::select(df_mxstate_2020,
                                 `region`,
                                 `state_name`,
                                 `pop`,
)

# Filtro de datos en tibbles ---------------------------------------------------------

#datos confirmados 
confirm <- FiltImpoData %>% 
  filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) %>% #borramos los datos NA que generan más filas(son pocos)
  arrange(`FECHA_INGRESO`)
  

#Casos terminados en muerte
muertesConfirm <- FiltImpoData %>% 
  filter(!is.na(`FECHA_DEF`)) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) #quitamos datos NA (no interfiere)
  
  

#datos de las pruebas realizadas ese día en todo el país
filtroPrueba <- FiltImpoData %>% 
  dplyr::filter(`TOMA_MUESTRA_LAB`== 1 | `TOMA_MUESTRA_ANTIGENO`==1 ) %>% #seleccuón de datos con pruebas
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) #borrar datos NA (no afecta)
  


# Medias moviles de los estados casos positivos -----------------------------------------------------

positivosXEstaXDia <- confirm %>% 
  dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
  mutate(POSITIVOS=n()) %>%
  distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
  arrange(`FECHA_INGRESO`) %>% 
  dplyr::select(`FECHA_INGRESO`,
         `ENTIDAD_RES`,
         `ENTIDAD_FEDERATIVA`,
         `FECHA_DEF`,
         `POSITIVOS`,
  )

#promedio de los últimos catorce días
positivosXEstaXDia %>% 
  group_by(ENTIDAD_FEDERATIVA) %>% 
  slice_tail(n = 14) 
  # %>% 
  # summarise(Promedio = mean(POSITIVOS))

#media movil de 14 días
positivos_tsbl <- positivosXEstaXDia %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(POSITIVOS, mean,
                               .before = 14, .complete = TRUE)
  )
# #gráfica de los positivos con la medi movil
# positivos_tsbl %>% 
#   feasts::autoplot(POSITIVOS) +
#   geom_line(aes(y = `14-MA`), color = "black") +
#   facet_wrap(~ ENTIDAD_FEDERATIVA, scales = "free_y") + 
#   theme(legend.position = "none")


# Medias moviles de los estados casos negativos ---------------------------

muertesXEstaXDia <- muertesConfirm %>% 
  dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
  mutate(MUERTES=n()) %>%
  distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
  arrange(`FECHA_INGRESO`) %>% 
  dplyr::select(`FECHA_INGRESO`,
         `ENTIDAD_RES`,
         `ENTIDAD_FEDERATIVA`,
         `FECHA_DEF`,
         `MUERTES`
  )


#promedio de los últimos catorce días
muertesXEstaXDia %>% 
  group_by(ENTIDAD_FEDERATIVA) %>% 
  slice_tail(n = 14) 
# %>% 
#   summarise(Promedio = mean(MUERTES))

#media movil de 14 días
muertes_tsbl <- muertesXEstaXDia %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(MUERTES, mean,
                                .before = 14, .complete = TRUE)
  )
# #gráfica de los positivos con la medi movil
# muertes_tsbl %>% 
#   feasts::autoplot(MUERTES) +
#   geom_line(aes(y = `14-MA`), color = "black") +
#   facet_wrap(~ ENTIDAD_FEDERATIVA, scales = "free_y") + 
#   theme(legend.position = "none")


# medias movil positivos por millon de habitantes -------------------------

positivosXEstaXDiaXmillon <- positivosXEstaXDia %>% 
  left_join(poblacionEstado, by=c("ENTIDAD_RES"="region"))
positivosXEstaXDiaXmillon$POSITIVOS <- (positivosXEstaXDiaXmillon$POSITIVOS*1000000)/positivosXEstaXDiaXmillon$pop
  
#media movil de 14 días
positivosmillon_tsbl <- positivosXEstaXDiaXmillon %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(POSITIVOS, mean,
                                .before = 14, .complete = TRUE)
  )

# media movil muertes por millon de habitantes ----------------------------

muertesXEstaXDiaXmillon <- muertesXEstaXDia %>% 
  left_join(poblacionEstado, by=c("ENTIDAD_RES"="region"))
muertesXEstaXDiaXmillon$MUERTES <- (muertesXEstaXDiaXmillon$MUERTES*1000000)/muertesXEstaXDiaXmillon$pop

#media movil de 14 días
muertesmillon_tsbl <- muertesXEstaXDiaXmillon %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(MUERTES, mean,
                                .before = 14, .complete = TRUE)
  )


# media movil de la positividad -------------------------------------------
PruePosiXEstaXDia <- filtroPrueba %>% 
    dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
    mutate(PRUEBAS=n()) %>%
    distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
    arrange(`FECHA_INGRESO`) %>%
    dplyr::select(`FECHA_INGRESO`,
           `ENTIDAD_RES`,
           `ENTIDAD_FEDERATIVA`,
           `FECHA_DEF`,
           `PRUEBAS`) %>% 
   left_join(positivosXEstaXDia, positivosXEstaXDia, by= c("ENTIDAD_RES", "FECHA_INGRESO", "ENTIDAD_FEDERATIVA"))

PruePosiXEstaXDia$POSITIVIDAD <- (PruePosiXEstaXDia$POSITIVOS/PruePosiXEstaXDia$PRUEBAS)*100

#media movil de 14 días
positivdad_tsbl <- PruePosiXEstaXDia %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(POSITIVIDAD, mean,
                                .before = 14, .complete = TRUE)
  )

# Media movil de pruebas por cada 1000 habitantes --------------------------

pruebasXEstaXDia<- filtroPrueba %>% 
  dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
  mutate(PRUEBAS=n()) %>%
  distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
  arrange(`FECHA_INGRESO`) %>%
  dplyr::select(`FECHA_INGRESO`,
         `ENTIDAD_RES`,
         `ENTIDAD_FEDERATIVA`,
         `FECHA_DEF`,
         `PRUEBAS`) %>% 
  left_join(poblacionEstado, by=c("ENTIDAD_RES"="region"))

pruebasXEstaXDia$XMILHAB <- ((1000*pruebasXEstaXDia$PRUEBAS)/pruebasXEstaXDia$pop)

#media movil de 14 días
pruebas_tsbl <- pruebasXEstaXDia %>% 
  ungroup() %>% 
  as_tsibble(index = FECHA_INGRESO, key = ENTIDAD_FEDERATIVA) %>% 
  mutate(
    `14-MA` = slider::slide_dbl(XMILHAB, mean,
                                .before = 14, .complete = TRUE)
  ) 

# Indicadores por día en cada estado  -------------------------------------

# #Por día hacemos un conteo de los casos que se confirmaron en cada estado
# positivosXEstaXDia <- confirm %>%
#   dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
#   mutate(POSITIVOS=n()) %>%
#   distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
#   arrange(`FECHA_INGRESO`) %>%
#   select(`FECHA_INGRESO`,
#          `ENTIDAD_RES`,
#          `ENTIDAD_FEDERATIVA`,
#          `FECHA_DEF`,
#          `POSITIVOS`,
#          )# %>%
#   # add_column(SUMS=NA)
# 
# #Para generar las tablas de cada uno de los estados con su conteo
# for(i in unique(positivosXEstaXDia$`ENTIDAD_RES`)) {
#   nam <- paste0("positivoE.", i )
#   assign(nam, positivosXEstaXDia[positivosXEstaXDia$`ENTIDAD_RES`==i,])
# 
# }
# 
# muertesXEstaXDia <- muertesConfirm %>% 
#   dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
#   mutate(MUERTES=n()) %>%
#   distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
#   arrange(`FECHA_INGRESO`) %>% 
#   select(`FECHA_INGRESO`,
#          `ENTIDAD_RES`,
#          `ENTIDAD_FEDERATIVA`,
#          `FECHA_DEF`,
#          `MUERTES`
#          )
# for(i in unique(muertesXEstaXDia$`ENTIDAD_RES`)) {
#   nam <- paste("muertesE", i, sep = ".")
#   assign(nam, muertesXEstaXDia[muertesXEstaXDia$ENTIDAD_RES==i,])
# }
# pruebasXEstaXDia <- filtroPrueba %>% 
#   dplyr::group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
#   mutate(PRUEBAS=n()) %>%
#   distinct(`FECHA_INGRESO`, .keep_all = TRUE) %>%
#   arrange(`FECHA_INGRESO`) %>% 
#   select(`FECHA_INGRESO`,
#          `ENTIDAD_RES`,
#          `ENTIDAD_FEDERATIVA`,
#          `FECHA_DEF`,
#          `PRUEBAS`)
# for(i in unique(pruebasXEstaXDia$`ENTIDAD_RES`)) {
#   nam <- paste("pruebasE", i, sep = ".")
#   assign(nam, pruebasXEstaXDia[pruebasXEstaXDia$ENTIDAD_RES==i,]) 
#   # add_column(rollsumr("pruebasE".i$PRUEBAS, k = 14, fill = NA))
#   # pruebasE.i$promedio <- rollmean(`PRUEBAS`, k = 14, fill = NA, aling="rigth")
# }
# for (i in tibble("pruebasE", i,sep="·")){
#   tibble("pruebasE", i,sep="·")$sums <-rollsumr(PRUEBAS, k = 14, fill = NA) %>% 
#   tibble("pruebasE", i,sep="·")$promedio <- rollmean(PRUEBAS, k = 14, fill = NA, aling="rigth")
# }
# Promedio al día indicadores por estados -------------------------------------------------------------

positivosXEstados <- confirm %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(Positivos=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  dplyr::select(
                `ENTIDAD_RES`,
                `ENTIDAD_FEDERATIVA`,
                `ABREVIATURA`,
                `Positivos`) 

# #promedios positivos al día en cada estado
# positivosXEstaXDia <- positivosXEstaXDia %>% 
#   ungroup() %>% 
#   group_by(`ENTIDAD_RES`) %>% 
#   mutate(
#     PROM=mean(POSITIVOS)
#     
#   ) 


muertesXEstado <- muertesConfirm %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(Muertes=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  dplyr::select(`ENTIDAD_RES`,
                `ENTIDAD_FEDERATIVA`,
                `ABREVIATURA`,
                `Muertes`) 

# #promedios de muertes al día en cada estado
# muertesXEstaXDia <- muertesXEstaXDia %>% 
#   ungroup() %>% 
#   group_by(`ENTIDAD_RES`) %>% 
#   mutate(
#     PROM=mean(MUERTES)
#     
#   ) 


pruebasXEstado <- filtroPrueba  %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(Pruebas=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  dplyr::select(`ENTIDAD_RES`,  # selección de datos necesarios 
                `ENTIDAD_FEDERATIVA`,
                `ABREVIATURA`,
                `Pruebas`) 
  


# Por millon de habitantes ------------------------------------------------

posiXEstaXMillon <- ((1000000*positivosXEstados$Positivos)/poblacionEstado$pop) 


muerteXEstaXMillon <- ((1000000*muertesXEstado$Muertes)/poblacionEstado$pop)


# Positividad  ------------------------------------------------------------

PositividadIndica <- (positivosXEstados$Positivos/pruebasXEstado$Pruebas)*100
# Pruebas por mil habitantes  ---------------------------------------------

pruebasXEstaXMilhab <- ((1000*pruebasXEstado$Pruebas)/poblacionEstado$pop)


# Tabla con datos finales xEstado -------------------------------------------------

indicadoresFinal <- positivosXEstados %>% 
  tibble::add_column(muertesXEstado$Muertes) %>% 
  tibble::add_column(pruebasXEstado$Pruebas) %>% 
  tibble::add_column(posiXEstaXMillon) %>% 
  tibble::add_column(muerteXEstaXMillon) %>% 
  tibble::add_column(PositividadIndica) %>% 
  tibble::add_column(pruebasXEstaXMilhab)

indicadoresFinal <- indicadoresFinal %>% 
  ungroup() %>% 
  group_by(`ENTIDAD_FEDERATIVA`) %>% 
  mutate(
    SUM= sum(`Positivos`,
             `muertesXEstado$Muertes`,
             posiXEstaXMillon,
             muerteXEstaXMillon,
             PositividadIndica,
             pruebasXEstaXMilhab,
             na.rm = TRUE),
    PROM = (SUM/6)
      ) 

PromIndica <- indicadoresFinal %>% 
  dplyr::select(`ENTIDAD_RES`,
                `ENTIDAD_FEDERATIVA`,
                `PROM`)
# summary(PromIndica)

# Normalización  ----------------------------------------------------------

# library(caret)
# 
# 
# preproc2 <- preProcess(PromIndica[,c(1:3)], method=c("range"))
# 
# norm2 <- predict(preproc2, PromIndica[,c(1:3)])
# 
# summary(norm2)


normalize <- function(x) {
  return (((x - min(x))*(100) / (max(x) - min(x))))
}
calificacion <- function(x) {
  return (100-(((x - min(x))*(100) )/ (max(x) - min(x))))
}
PromIndica$NORM <- normalize(PromIndica$PROM)
PromIndica$AVERAGE <- calificacion(PromIndica$PROM)


# Tabla Calificación  -----------------------------------------------------

calif <- PromIndica %>% 
  dplyr::select(`ENTIDAD_FEDERATIVA`,
                `AVERAGE`
                ) %>% 
  arrange(desc(AVERAGE))

  colnames(calif)[colnames(calif)=="ENTIDAD_FEDERATIVA"] <- "ESTADO"

#Tabla que muestra el número de pruebas que se hacen por día en los estados
formattable(calif, #llamo datos
            align =c("l","c"), #Para alinear los datos de la tabla cada "" es una columna
            list(`ESTADO` = formatter( #datos específicos
              "span", style = ~ formattable::style(color = "grey",font.weight = "bold")),
              `AVERAGE` = color_tile("transparent", "orange")# me crea una barra roja con proporción a los datos
            )
)




```

Comparativa entre países (Contagios)
=========================================

```{r}
#Carga de datos que se necesitan para generar los datos de este sección


nuevos_casos_mundiales <- read_csv("https://raw.github.com/owid/covid-19-data/master/public/data/jhu/full_data.csv")

casos_por_millon <- read_csv("https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/jhu/new_cases_per_million.csv")

# creación de variables que se necesitan para esta sección

#vector para la selección de paises con población similar
poblacion_similiar <- c("Mexico",
                        "Japan", 
                        "Russia", 
                        "Bangladesh", 
                        "Philippines")
#Paises de LATAM
latam <- c("Mexico", "Argentina", 
           "Colombia", "Chile", 
           "Brazil", "Bolivia", 
           "Costa Rica", "Ecuador",
           "Guatemala", "Panama", 
           "Paraguay", "Peru", 
    "Puerto Rico", "Dominican Republic")

#Para la grafica GraphLatam

Comparativa_casos_latam <- casos_por_millon %>%
  dplyr::select(date, matches(latam)) %>%
  pivot_longer(
    cols = 'Mexico':'Dominican Republic',
    names_to = "Paises",
    values_to = "Casos_por_millon"
  ) %>%
  filter( Paises != "Ecuador")

Comparativa_casos_latam_tsbl<- Comparativa_casos_latam %>%
  as_tsibble(
    index = date,
    key = Paises
  )

```

Column
------------------------------------

### Escenario mundial (población similar)

```{r}
Comparativa_nuevos_casos <- nuevos_casos_mundiales %>%
  ggplot(aes(x = date, y = new_cases, group = location)) +
  geom_line(color = "grey") +
  geom_line(data = nuevos_casos_mundiales %>% filter(location %in% poblacion_similiar),
            aes(color = location), size = 1) +
  scale_y_log10() 

Comparativa_nuevos_casos

```

Column
------------------------------------

### Escenario LATAM

```{r}
GraphLatam <- Comparativa_casos_latam_tsbl %>%
  filter(Paises != "Ecuador") %>% #Se elimina ecuador de la lista de paises por datos críticos negativos
  as_tsibble(
    index = date )%>%
  ggplot() +
  geom_line(mapping = aes(x = date, y = Casos_por_millon, color = Paises)) +
  facet_wrap(~ Paises, scales = "free_y") +
  theme(legend.position = "none")
  
GraphLatam
```




Vacunación en LATAM
=========================================

```{r}
#Datos de manejo y de carga para generar las visualizaciones en esta seccion

#carga de datos
#Se importan los datos como un tibble
Vacunastotales <- readr::read_csv("https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/vaccinations/vaccinations.csv")

#wrangle 

#Se quiere trabajar con series de tiempo, entonces convertimos
# a tsibble un objeto que tiene orientación a este tiempo de 
#procesamiento 
Vacunastotales_tsibble <- Vacunastotales %>%
  dplyr::mutate(Daily = as.Date(date)) %>%
  dplyr::select(-date) %>%
  tsibble::as_tsibble(key = location,
             index = Daily)

#se hace una variable con los nombres de los paises de
#LATAM para asi poder llamar la variable a buscar en
#la base de datos si se requiere, esto esta pensado
#en que la instrucción podría hacerse varias veces 
#entonces en teoría debería simplificar el código
  latam <- c("Mexico", "Argentina", 
           "Colombia", "Chile", 
           "Brazil", "Bolivia", 
           "Costa Rica", "Ecuador",
           "Guatemala", "Panama", 
           "Paraguay", "Peru", 
           "Puerto Rico", "Dominican Republic")
  
  #Se encontro que era particularmente complicado mostrar 
  #todos los datos en una sola gráfica, por lo tanto,
  #graficar por secciones y pegar con patchwork es una
  #opción viable, por lo que la variable length(latam) = 14
  #entonces dividimos en 2 grupos para tener símetria.
  
  latam1 <- latam[1:7]
  latam2 <- latam[8:14]
#latam == latam1 + latam2
  
  
#hacemos otro data frame que solo sea para los de 
#LATAM y asi trabajamos con un tsibble más pequeña
Vacunas_latam_tsibble <- Vacunastotales_tsibble %>%
  dplyr::select( Daily, location, total_vaccinations, 
          total_vaccinations_per_hundred, 
          daily_vaccinations_per_million) %>%
  dplyr::filter(location %in% latam)

#Tratando los valores faltantes y los que estan fuera de rango

#VLT = contracción para Vacunas_latam_tsibble
VLT_miss <- Vacunas_latam_tsibble %>% 
  #filter(location %in% latam1) %>%
  #anti_join(outliers) %>%
  tsibble::fill_gaps() #aqui se remplazan por valores faltantes
  #fill(direction = "down")

#A continuacion hacemos un modelo ARIMA que se ajuste
#a los datos que cotienen "valores faltantes"

VLT_fill <- VLT_miss %>% 
  fabletools::model(ARIMA(total_vaccinations_per_hundred)) %>%
   fabletools::interpolate(VLT_miss)


```

Row
------------------------------------

### Escenario general

```{r}

#Gráfica que representa el escenario general para los paises
#de latam en el tiempo vacunados por cada 100
EscenarioLatam <- ggplot(data = Vacunas_latam_tsibble) +
geom_line(mapping = aes(x = Daily, y = total_vaccinations_per_hundred, color = location)) +
  labs(x = 'meses',
         y = 'Vacunas aplicadas por cada 100')

 plotly::ggplotly(EscenarioLatam)

#Notas de el gráifco EscenarioLatam
#muestra una tendencia creciente
#con temporalidad variable
#No hay evidencia de comportmaiento ciclico

EscenarioLatam <- ggplot(data = Vacunas_latam_tsibble) +
   geom_line(mapping = aes(x = Daily, y = total_vaccinations_per_hundred, color = location)) +
   labs(title = 'Escenario general de vacunación en LATAM ',
        x = 'meses',
        y = 'Vacunas aplicadas por cada 100')

 #Gráfica que representa el escenario general para los paises
 #de latam en el tiempo vacunados por cada 100 (rellenado)

 EscenarioLatam_fill <- ggplot(data = VLT_fill) +
   geom_line(mapping = aes(x = Daily, y = total_vaccinations_per_hundred, color = location)) +
   labs(title = 'Escenario general de vacunación en LATAM (sin valores faltantes)',
        x = 'meses',
        y = 'Vacunas aplicadas por cada 100')

 EscenarioLatam_Comparacion = EscenarioLatam + EscenarioLatam_fill

 EscenarioLatam_Comparacion


```


### Estacionalidad (Mensual)

```{r}
# #Visualización por periocidad -------------------------------------------

#Utilizando la función gg_season para hacer graficas
#de la vacunación (2 gráficas por pais correspondiente a los
# 2 años de los que se tienen datos) por mes.

Vacunas_latam_tsibble %>%
  filter(location %in% latam1) %>%
  gg_season(total_vaccinations_per_hundred, labels = "both") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Meses",
       title = "Vacunación por meses en los diferentes paises de LATAM") +
  expand_limits(x = ymd(c("2021-02","2021-04"))) -> g1


#se repite el codigo para hacer lo mismo y luego juntarlos
#con el apoyo de patch work
Vacunas_latam_tsibble %>%
  filter(location %in% latam2) %>%
  gg_season(total_vaccinations_per_hundred, labels = "both") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Meses",
       title = "Vacunación por meses en los diferentes paises de LATAM") +
  expand_limits(x = ymd(c("2021-02","2021-04"))) -> g2
#No se estiliza que la asignación vaya hasta el final
#pues transgrede con el estilo del código, pero se recomienda
#en el libro de forescasting para darle "fluidez" a la lectura
#del código

#Se encuentra interesante que en marzo la mayoría de los paises
#tienen una linea constante
#Méxio y chile empezaron la vacunación en las últimas semanas
#de diciembre

# Visualización: Integración de los gráficos con PATCHWORK  -----------------------------

#Establecemos un layout, que es basicamente un # para los espacios en blanco, y letras
#para los lugares que deseamos que ocupe la letra
layout <- '
AAAABBBB
AAAABBBB
AAAABBBB
'
#cambiamos el lugar de las letras en el layout por nuestrras gráficas
wrap_plots(A = g1,
           B = g2,
           design = layout)


```

### Estacionalidad (semanal por mes)
```{r}


#Aquí vemos las gráficas anteriores más a detalle, pues podemos
#ver en que semanas de cada mes hay crecimiento
Vacunas_latam_tsibble %>%
  filter(location %in% latam1) %>%
  gg_season(total_vaccinations_per_hundred, period = "month") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Periodicidad de las semanas del mes",
       title = " Vacunación por semanana de los diferentes meses en los paises de LATAM") +
expand_limits(x = ymd(c("2021-02","2021-04"))) -> g3


#repetimos el código para la sección 2
Vacunas_latam_tsibble %>%
  filter(location %in% latam2) %>%
  gg_season(total_vaccinations_per_hundred, period = "month") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Periodicidad de las semanas del mes",
       title = " Vacunación por semanana de los diferentes meses en los paises de LATAM") +
expand_limits(x = ymd(c("2021-02","2021-04"))) -> g4

# Visualización: Integración de los gráficos con PATCHWORK  -----------------------------

#Establecemos un layout, que es basicamente un # para los espacios en blanco, y letras
#para los lugares que deseamos que ocupe la letra
layout <- '
AAAABBBB
AAAABBBB
AAAABBBB
'
#cambiamos el lugar de las letras en el layout por nuestrras gráficas
wrap_plots(A = g3,
           B = g4,
           design = layout)


```

Vacunación en LATAM (Pronósticos)
=========================================

Column
-----------------------------------

### TSLM

```{r}

# Modelo TSLM -------------------------------------------------------------
#https://www.rdocumentation.org/packages/forecast/versions/8.14/topics/tslm

#Descripción
#Fit a linear model with time series components
#tslm is used to fit linear models to time series including trend and seasonality components.


# Definición del modelo 

TSLM(total_vaccinations_per_hundred ~ trend())


# Entrenamiento del modelo (Estimación) 

fit_TSLM <- Vacunas_latam_tsibble %>%
  fabletools::model(Modelo_tendencia = 
          TSLM(total_vaccinations_per_hundred ~ trend()))
fit_TSLM


#Para datos rellenados 

fit_TSLM_fill <- VLT_fill %>%
  fabletools::model(Modelo_tendencia = 
          TSLM(total_vaccinations_per_hundred ~ trend()))
  
fit_TSLM_fill

# Revisar el desempeño del modelo (evaluación) 


# Producir pronósticos 

#Se genera la tabla de pronósticos, el cual va ser
#una tabla de tipo fable (objeto) es decir
#forecasting table
fcst_TSLM <- fit_TSLM %>% forecast(h = 15) #se hace para los siguientes 3 meses
                                #pues los datos que se tienen hasta el momento
                                # son de 4 - 5 meses
fcst_TSLM

#tabla de pronósticos, datos rellenados

fcst_TSLM_fill <- fit_TSLM_fill %>%  forecast(h = 15)

fcst_TSLM_fill

# Visualización de la forecasting table

#para grupo 1 latama

fcst_TSLM %>%
  dplyr::filter(location %in% latam1) %>%
  autoplot(Vacunas_latam_tsibble) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') -> fcst_TSLM_g1

#para grupo 1 latam (rellenado)

fcst_TSLM_fill %>%
  dplyr::filter(location %in% latam1) %>%
  autoplot(VLT_fill) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') -> fcst_TSLM_fill_g1

#para grupo 2 latam

fcst_TSLM %>%
  dplyr::filter(location %in% latam2) %>%
  autoplot(Vacunas_latam_tsibble) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') -> fcst_TSLM_g2

#para grupo 2 latam (rellenado)

fcst_TSLM_fill %>%
  dplyr::filter(location %in% latam2) %>%
  autoplot(VLT_fill) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') -> fcst_TSLM_fill_g2

#integración de las visualizaciones

fcst_TSLM_g3 = fcst_TSLM_g1 + fcst_TSLM_fill_g1 + fcst_TSLM_g2 + fcst_TSLM_fill_g2 
fcst_TSLM_g3
```

Column
-----------------------------------

### ETS

```{r}

# Modelo ETS (suavización exponencial con tendencia) ----------------------------
#https://www.rdocumentation.org/packages/forecast/versions/8.14/topics/ets

#ETS = Exponential smoothing state space model

#Description
# Returns ETS model applied to "y"


#Parámetros estimados

#Estimamos alfa (entre 0 y 1, la tasa a la que disminuye "el peso" de los datos en el modelo, tambien conocida como el parametro de suavizacion)
#L0 o Lt (nivel, o valor suavizado)
#Beta (entre 0 y 1, es el coefficiente que representa la pendiente de la "tendencia" )

# 'A' es para 'aditivo' , 'M' para multiplicativo y 'N' para ninguno
# Como nuestros datos tienen una tendencia marcada, seleccionmos que tanto
#el error como la tendencia sean "aditivos" 

fit_ETS_trend <- VLT_fill %>%
  model(ETS(total_vaccinations_per_hundred ~ error('A') + trend('A') + season('N')))
 
#Generamos el pronóstico para 5 pasos después 

fcst_ETS_trend <- fit_ETS_trend %>%
  forecast(h = 15) %>%
  autoplot(VLT_fill) + 
  facet_wrap(~location, ncol = 3, scales = 'free_y') +
  labs(title = 'Pronóstico de vacunas latam con ETS',  
       x = 'meses',
       y = 'Vacunas aplicadas por cada 100') -> fcst_ETS_trend_g1

#El método de Holt es el que nos permite hacer suavizacion
#exponencial para datos con tendencia 



#Holt tiene un problema, que la tendencia solo se establece
#como creciente o decreciente. Por lo que se desarrollo
#una funcion que hace este metodo pero amortiguado

# phi es el factor de "amortiguamiento", donde phi 
# con un valor igual a 1, es identico al metodo de Holt sin
# amortiguamiento

#Ad -> aditive damped

fit_ETS_trendDamped <- VLT_fill %>%
  model(ETS(total_vaccinations_per_hundred ~ error('A') + trend('Ad') + season('N')))
  

  fcst_ETS_trendDamped <- fit_ETS_trendDamped %>%
  forecast(h = 15) %>%
  autoplot(VLT_fill) +
  facet_wrap(~location, ncol = 3, scales = 'free_y') +
  labs(title = 'pronóstico de vacunas latama con ETS amortiguado',
       x = 'meses',
       y = 'Vacunas aplicadas por cada 100') -> fcst_ETS_trendDamped_g1

fcst_ETS_comparacion = fcst_ETS_trend_g1 + fcst_ETS_trendDamped_g1

fcst_ETS_comparacion

```